A Generative Appearance Model for End-to-end Video Object Segmentation（待更）

论文介绍

2018年CVPR vos论文
论文地址
目的是针对现有vos方法的问题做出改进：现有性能最好的vos方法使用CNN进行fine-tune，这种方法除了昂贵之外，不能将online fine-tune整合到offline中，从而不能实现真正意义上的end-to-end训练。
作者为了解决这个问题，提出的模型可以在一次forward pass中学习target和background。给定一个新图像，模型可以得到类别的后验概率，从而给前/背景提供提示。实现真正意义上的end-to-end.

大致流程

第一帧精确标记的mask和feature map对Mask-propagation Module和Appearance Module初始化。

图像经过backbone生成的feature map交由Mask-propagation Module和Appearance Module进行处理，随后进行融合，在Fusion layer生成粗粒度预测（同时fusion module的结果反馈给mask-propagation module和appearance module在下一阶段使用），Fusion Module的输出结果结合初级特征在Upsampling Module进行优化，最后再通过predictor module进行精准分割。